通过受支持向量机（SVM）边界启发，本文提出了一种新的对抗训练方法来提高鲁棒分类器对线性和非线性分类问题中不确定性的处理能力。我们通过数据驱动的视角来解释鲁棒性，并推导了二元和多类情景下线性和非线性分类器的有限样本复杂度界限。我们的算法通过线性规划（LP）和二阶锥规划（SOCP）来最小化最坏情况下的代理损失函数，适用于线性和非线性模型。在 MNIST 和 CIFAR10 基准数据集上的数值实验显示，我们的方法与最先进的方法相比具有可比性能，在训练过程中不需要对抗性示例。我们的工作提供了一个全面的框架，用于增强二元线性和非线性分类器的鲁棒性，在面对对手时保持学习的鲁棒性。

Mar, 2024

本文针对使用支持向量机（SVM）进行垃圾邮件和恶意软件检测等安全相关任务时存在的安全问题进行了探究，特别是研究了 SVM 对面向标签噪声攻击的安全性，并通过启发式方法解决了攻击策略的最优化问题，并在合成和实际数据集上进行了广泛的实验分析。最后，本文还指出，这种方法也可以为开发更安全的 SVM 学习算法以及半监督和主动学习等相关研究领域提供有用的见解。

Jun, 2022

本文将正则化支持向量机与鲁棒优化公式进行比较，并表明它们是精确等效的。这个比较对算法和分析有影响，可以构建出保护噪声和同时控制过拟合的分类问题的更一般的类 SVM 算法，同时提供正则化 SVM 成功率鲁棒优化解释的分析证明，从而明确了鲁棒性是正则化 SVM 泛化良好的原因。

Mar, 2008

在神经网络的研究中，我们开发了一种新的梯度基础的对抗攻击方法，相较于已有的攻击方法，它更可靠，可以适应广泛的对抗标准，并且在提高效率的同时，不需要进行超参数调整，这将对神经网络的鲁棒性评估做出有益的贡献。

Jul, 2019

本文研究了支持向量机算法，证明其在概率测度集合上的映射连续，进而说明支持向量机在数学意义下具有 Hadamard 意义上的良好解。

Dec, 2009

该研究提出了一种基于梯度的迭代攻击方法来评估在语义图像分割领域中防御对抗扰动的模型的鲁棒性，并发现只有使用对抗样本进行训练才能获得鲁棒性，并分析了鲁棒性和准确性之间的权衡。

Jun, 2023

基于分类的方法在异常检测中十分有效，本论文提出了一种分布稳健的概率约束模型，利用核函数的方法来分类难以分离的数据集，并且在验证中显示了该模型的鲁棒性和优越性。

Dec, 2023

本篇研究通过分类对抗性攻击和防御方法，提出三类半定界数理优化问题，即对抗 (再) 训练、正则化方法和认证防御，并调查了最近的研究成果和挑战以及展望未来的发展。

Jul, 2020

使用混合整数优化技术得出一种新的损失函数，使之比现有方案更好地逼近 0-1 损失函数，同时保持学习问题的凸性，具有与标准支持向量机相竞争的性能，且在存在异常值时表现更好。

Feb, 2024

本文提出两种解决原始 LapSVM 问题的策略，以改善在使用无标签数据进行分类时所遇到的问题，并在真实数据实验中验证了该方法的有效性。

Sep, 2009